基于改进SIFT特征和神经网络结合的场景识别

基于深度学习的场景识别作为计算机视觉领域的重要方向,目前仍存在部分问题,如仅提取图像的高层语义特征而缺失了图像的底层特征,针对这个问题,提出基于改进SIFT特征与深度神经网络相结合的室内RGB-D图像识别方法。首先提取图像的SIFT特征,然后利用随机森林算法根据重要度对SIFT特征进行筛选,然后结合基于ResNet的深度神经网络,并提出基于深度直方图与深度均值直方图的深度损失函数,加速模型的收敛。实验结果表明,算法可以在NYUD v2数据集上达到71.52%的识别率,有效提升了室内场景识别的准确率。

基于改进SIFT算法的弹载电视制导技术研究

以图像匹配技术为代表的弹载电视制导技术具有信息直观的特点,作为非常优秀的图像匹配技术,SIFT算法受到了广泛的关注和深入的研究。针对传统SIFT算法实时性差的问题,本文提出了一种改进的SIFT算法。在提取特征点部分,通过Laplace算子找出图像边缘区域并进行Laplace加权处理,然后利用FAST特征点检测算法提取区域特征点;在生成特征点描述子部分,将传统的128维SIFT算子降为48维,利用改进的SIFT特征描述算子为特征点赋予方向和描述符使其具有旋转不变性;在特征点匹配部分,利用欧式距离提取匹配点对,并采用RANSAC算法提纯匹配点对,得到最优矩阵。实验结果表明改进的SIFT算法在目标旋转、尺度变化等条件下匹配效果良好,与传统SIFT算法相比具有很高的实时性,可以很好地实现图像实时匹配。

基于改进SIFT的抗几何攻击的数字水印

通过改进的SIFT(尺度不变特征变换)算法提出了一种可有效抵抗几何攻击的鲁棒数字水印算法。此算法利用改进的SIFT进行水印信号的同步;水印嵌入采用圆环的嵌入模式,在空域以奇偶量化形式嵌入;通过奇偶检测器提取水印。实验结果表明,改进的SIFT大大降低特征点匹配的维数,提高匹配速率,同时该算法能获得很好的图像质量,能有效抵抗几何攻击和常规的信号处理攻击。

一种改进的无人机航摄影像快速拼接方法

为提高无人机航摄影像快速拼接的速度和精度,针对无人机影像处理特点,提出重叠区分块并行处理策略;通过对不同图像分辨率和尺度下的特征匹配情况进行分析,提出分块阈值自适应调节方法来改进尺度不变特征转换(SIFT)算法;利用匹配点距离中误差进行粗差去除,获取最优随机一致性检验(RANSAC)样本,得到更精确匹配点对。试验结果证明,改进策略既可保证拼接精度,又可提高拼接效率。